基于图学习的多船碰撞风险预测方法

《Journal of Marine Science and Engineering》：A Graph Learning-Driven Method for Multi-Ship Collision Risk Prediction in Complex Waterways Jie Wang, Shijie Liu and Yan Zhang

　　

碰撞风险的主动识别对于海事交通安全至关重要，尤其是在船舶多目标会遇呈现复杂时空依赖关系的繁忙枢纽港口。传统的风险评估方法主要依赖于瞬时的几何指标，往往难以捕捉风险的系统性演变。为解决这些局限，本研究提出了一种改进的时空图卷积网络（IST-GCN）框架，用于船舶碰撞风险的短期预测。该框架将海上交通建模为一个集成规则的动态交互图，其中边权重由航行规则和碰撞风险指数（CRI）自适应调节。通过利用历史观测窗口，该模型预测后续预测时间窗口内的最大集体风险水平，并将交通场景分为三个有序等级：低风险、中风险和高风险。一个利用宁波-舟山港核心水域真实自动识别系统（AIS）数据的综合案例研究证明了所提方法的有效性。IST-GCN取得了92.4%的优越预测准确率和0.91的F1分数，显著优于包括长短期记忆（LSTM）、时间卷积网络（TCN）和标准ST-GCN在内的代表性基线方法。值得注意的是，通过显式编码基于《国际海上避碰规则》（COLREGs）的交互逻辑，该框架将复杂交叉和汇聚场景中的误报率（FAR）降低至8.5%。这些发现表明，IST-GCN可作为智能海事监管和现代船舶交通服务（VTS）的可解释、可靠且具有预警功能的决策支持工具。

随着全球贸易量的持续增长，航运业在国际运输中扮演着至关重要的角色。然而，繁忙水域的海事交通安全，即那些物理拓扑结构受限、交通异质且动态情况高度相互依赖、易于引发连锁风险的环境，仍然是沿海管理部门和港口当局面临的一个关键且持续的挑战。在枢纽港口和主要水道中，交通密度通常很高且异质性强，涉及各种尺寸和运营角色的船舶。在这种条件下，碰撞并非偶尔发生的异常现象，而是一个直接影响航行安全和港口效率的系统性运营问题。随着智能航运的不断发展，对能够提供更早预警和更可靠风险解读的智能监管系统的需求日益增长。

实际上，碰撞风险评估的一个根本困难在于多船会遇的动态和情境依赖性。在密集交通中，会遇构型可能在交叉、对遇和追越局面之间快速转变，同时受到航道几何形状和地方航行规则的进一步约束。因此，一个交通场景的风险水平无法通过瞬时快照来充分描述。相反，它产生于相对运动的时空演变和机动空间的约束。因此，有必要开发明确纳入时空历史并反映海事操作语义的方法。

当前关于碰撞风险评估的研究主要基于源自相对运动的成对几何指标，如最近会遇距离（DCPA）和到达最近会遇点时间（TCPA）。需要指出的是，这些传统几何指标对于评估开阔水域的风险具有高度可靠性且基础性强，并广泛用于实际决策支持系统（例如，数字海事监管平台、自动船舶交通管理信息系统（VTMIS）预警模块）。然而，它们的反应性和纯运动学特性在限制性水域中存在特定局限性。由于航道狭窄和空间约束，几何投影的最近会遇点（CPA）有时可能不切实际地落在岸线或不可航行区域。此外，它们在复杂交通场景中的适用性在结构上受到限制。首先，DCPA和TCPA本质上描述的是成对关系，无法捕捉系统级交互拓扑。在实践中，一对单独看似乎低风险的船舶，仍可能通过限制机动选项而促成危险局面。其次，成对指标将邻近船舶视为独立，难以代表全局交通结构。此外，在密集水域，必须考虑风险的系统性演变，这指的是局部规避机动动态地限制周围可航行空间，从而引发风险拓扑连锁反应。这表明，在繁忙水域，成对风险不一定转化为系统级风险。

随着自动识别系统（AIS）数据的广泛获取，数据驱动的方法在海事风险建模中受到了越来越多的关注。各种时间序列学习方法，如循环神经网络（RNN）和时间卷积网络（TCN），已被开发用于捕捉非线性船舶运动模式。然而，当多艘船舶同时交互时，核心建模挑战扩展到交互结构的表示。从这个角度来看，多船交通场景自然地可以被表述为图。图卷积网络（GCNs）和时空图卷积网络（ST-GCNs）为聚合邻域信息提供了一个有原则的框架。

然而，直接应用标准GCN架构会发现通用图构建与动态碰撞风险之间存在关键不匹配。现有研究通常使用欧几里得距离阈值来构建交互图。然而，空间邻近性并不等同于航行威胁。一艘在会聚航线上相对较远的船舶可能比一艘平行移动的较近船舶构成更高的风险。因此，纯粹的距离驱动图可能会为低威胁邻船分配建模能力，同时低估船舶会遇。因此，迫切需要开发集成规则且风险感知的图构建方法，使学习到的表示与实际航行规则更紧密地对齐。

为克服这些缺点，本研究旨在提出一种改进的时空图卷积网络（IST-GCN）框架，用于复杂水域中的动态碰撞风险评估。所提框架利用历史AIS轨迹来预测近期未来场景级碰撞风险。具体而言，IST-GCN提取非线性时空特征，将船舶会遇建模为具有规则集成加权的动态演化图，并将节点级表示聚合为图级评估。本研究的目标是支持VTS操作员维持监控区域的整体安全水平。所提方法旨在场景级识别高风险多船会遇，从而能够及时干预以防止局部冲突升级。本研究的贡献总结如下：

首先，提出了一个名为IST-GCN的预测性碰撞风险评估框架，用于联合建模船舶的时空动力学和多船交互拓扑，将海事操作语义结构化地嵌入图学习过程。

其次，开发了一种集成规则、动态加权的图构建策略。与仅依赖欧几里得距离阈值构建交互图的传统数据驱动模型不同，该策略基于运动学威胁线索和《国际海上避碰规则》（COLREGs）义务自适应调节交互强度。关键在于，它不仅仅是提前触发警报，还迫使网络将注意力准确分配给功能上构成威胁的船舶，有效过滤无效警报并减轻复杂场景中VTS操作员的疲劳。

第三，超越了孤立的反应式成对推理，设计了一种分层图到场景的聚合机制。通过捕捉多船交互的级联效应，它将节点级状态表示转换为宏观风险诊断，从而能够在关键几何冲突显现之前主动预测潜在风险的积累。

最后，利用来自舟山港核心水域的真实AIS数据进行了综合案例研究（并增加了在日照港的扩展泛化场景）。结果验证了所提方法在准确定位真实碰撞威胁方面优于传统几何方法和代表性学习型基线，并具有空间鲁棒性。

论文其余部分组织如下：第2节阐述了所提出的IST-GCN框架，详细说明了规则集成的图构建策略和分层时空学习架构。第3节介绍了实验设置，并使用宁波-舟山港的真实AIS数据进行了全面的性能评估，包括比较基准测试和消融研究。第4节讨论了方法论意义，强调了向主动预测的转变并分析了当前的局限性。最后，第5节总结了本研究的主要贡献并概述了未来的研究方向。

2. 材料与方法
本节阐明了所提出的方法，特别关注将规则感知的多船交互建模系统地转化为可计算的预测框架。为适应高度动态的交互拓扑和拥堵海事交通中固有的级联效应，研究人员构建了一个时空图模型，旨在表征多船会遇序列的演化模式。与传统的静态筛选方法不同，所开发的框架利用历史运动轨迹，在后续的短期时间窗口内主动预测风险水平。这一过程最终形成了一个鲁棒、可解释且场景级的碰撞风险分类。所提方法架构的全面示意图如图1所示。

2.1. 问题表述
研究人员考虑拥堵水道内的一个有界感兴趣区域（ROI）。在任何离散时间步t，该交通场景由一组N_t艘船舶填充，记为??_t = {1, 2, …, N_t}。与传统的瞬时风险筛选相反，研究人员的目标是构建一个预测模型，该模型能够基于历史时空观测和底层交互拓扑，预测指定时间窗口内的近期未来场景级风险。

节点表示：每艘船舶i ∈ ??_t被表示为一个图节点，其特征由一个从自动识别系统（AIS）报告中提取的多维特征向量X_i,t ∈ ?^F表征。该向量封装了基本运动学信息，包括投影的笛卡尔坐标（x, y）、对地速度（SOG）和对地航向（COG），以及时间动态，如短期导数ΔSOG和ΔCOG。这些导数特征通过连续的AIS消息估算得出，以有效捕捉机动趋势。通过拼接单个节点特征，研究人员获得了场景级特征矩阵X_t ∈ ?^N_t×F。为了建模会遇的演化轨迹，该框架利用一个长度为H的滑动历史窗口作为输入：??^hist_t = {X_t-H+1, X_t-H+2, …, X_t}。（公式1）

规则感知的多船交互图：船舶之间复杂的拓扑依赖关系被操作化为一个时变的有向加权图??_t = (??_t, ?_t)，由邻接矩阵A_t ∈ ?^N_t×N_t控制。其中，边权重a_ij,t ≥ 0量化了在时间t时船舶j对船舶i施加的交互强度。与简单基于邻近性的图构建不同，权重a_ij,t严格以碰撞风险描述符（如源自DCPA/TCPA的线索）和受COLREGs启发的会遇语义为条件。因此，该图强调功能上有威胁的邻居，而非仅仅空间上邻近的邻居。

预测学习目标：令τ表示预测窗口。主要任务是利用历史序列（??^hist_t, ??_t-H+1:t），预测在即将到来的时间区间（t, t + τ]内出现的最高集体风险水平。研究人员将输出形式化为一个有序的三类标签y_t+τ ∈ {0, 1, 2}，分别对应低、中、高风险等级。为了建立客观的监督真值，研究人员首先定义了在任何时间k ∈ (t, t + τ]内，船舶i和j之间的成对碰撞风险指数（CRI），这是一个通过单调映射?(·)对DCPA和TCPA进行有界评分得到的指标：CRI_ij,k = ?(DCPA_ij,k, TCPA_ij,k) ∈ [0, 1]。（公式2）

然后，场景级风险R_t+τ通过在预测窗口内所有内部船舶对中观察到的最大CRI聚合确定：R_t+τ = max_k∈(t,t+τ] max_{i≠j, i,j∈??k} CRI_ij,k。（公式3）

最后，基于领域信息阈值γ_mid和γ_high分配离散风险标签y_t+τ：y_t+τ = {2（高），如果 R_t+τ ≥ γ_high；1（中），如果 γ_mid ≤ R_t+τ < γ_high；0（低），否则}。（公式4）

因此，所提出的IST-GCN旨在优化一个映射函数f_θ，使得?_t+τ = f_θ(??^hist_t, ??_t-H+1:t)。

2.2. 规则集成的图构建
传统的基于邻近性的邻接度量（如固定半径或k近邻）通常被证明是次优的，因为它们未能考虑相对运动趋势和航行义务。因此，研究人员构建了一个风险感知、规则集成且时变的加权邻接矩阵A_t = [a_ij,t] ∈ ?^N_t×N_t，其中边权重量化了船舶之间的功能威胁相关性，而非简单的几何邻近性。

成对相对运动描述符：对于在时间t的任意船舶对（i, j），令它们在局部笛卡尔坐标系中的位置和速度分别表示为p_i,t, p_j,t ∈ ?² 和 v_i,t, v_j,t ∈ ?²。相对位置向量定义为r_ij,t = p_j,t ? p_i,t，相对速度向量为u_ij,t = v_i,t ? v_j,t。在短期匀速假设下，到达最近会遇点时间（TCPA）通过将相对位置投影到相对速度向量上得出：TCPA_ij,t = (r_ij,t · u_ij,t) / ||u_ij,t||²。（公式5）其中正值表示船舶正在会聚。最近会遇距离（DCPA）则表示在最近接近时刻相对位置向量的大小：DCPA_ij,t = √(||r_ij,t||² ? (TCPA_ij,t · ||u_ij,t||)²)。（公式6）

为确保数值稳健性，研究人员应用TCPA_ij,t = max(0, TCPA_ij,t)以专注于未来的碰撞潜力，并加入一个小的epsilon以避免除零错误。

会遇类型与规则义务指示符：每艘船舶对根据相对方位和航向差被分类到特定的会遇类型c_ij,t ∈ {对遇，交叉，追越，其他}。为了将航行语义融入交互拓扑，研究人员引入了一个简化的规则义务指示符o_ij,t ∈ {0, 1}，其中o_ij,t = 1表示根据COLREGs启发式逻辑，船舶i相对于船舶j是让路船。该指示符使图能够封装不对称的交互责任，这对于表征真实的避碰行为至关重要。在规则信息不可用或模糊的情况下，o_ij,t被保守地设置为零。

风险感知的威胁评分：上述几何和语义描述符被融合成一个可微的成对威胁评分s_ij,t，作为交互重要性的软度量。研究人员首先定义连续门控函数以捕捉时间和空间邻近性：g_t(TCPA_ij,t) = exp(?TCPA_ij,t/τ) 和 g_d(DCPA_ij,t) = exp(?DCPA_ij,t/d₀)，其中τ和d₀校准对时间紧迫性和空间分离的敏感性。然后应用一个会遇类型调制项m(c_ij,t) ∈ ?⁺以反映航行关键性，通常遵循优先顺序m(对遇) > m(交叉) > m(追越) > m(其他)。最终的威胁评分为：s_ij,t = m(c_ij,t) * g_t(TCPA_ij,t) * g_d(DCPA_ij,t) * (1 + λo_ij,t)。（公式7）其中λ ≥ 0 放大基于规则义务的影响。关键在于，s_ij,t作为一个相对交互权重，指导后续消息传递的焦点，而非作为确定性警报。

动态邻接、稀疏化和归一化：为了减轻高交通场景中密集连接带来的噪声，通过仅保留每艘目标船舶i的M个最具威胁的邻居来稀疏化图：??_i,t = TopM({s_ij,t: j ∈ ??_t, j ≠ i})。然后使用基于softmax的方法对邻接权重进行归一化：a_ij,t = { exp(s_ij,t) / ∑_k∈??i,t exp(s_ik,t), 若 j ∈ ??_i,t；0，否则 }。（公式8）生成一个行随机、动态加权的矩阵，强调高威胁交互。自环可以通过在图卷积归一化期间添加单位矩阵来引入。通过这种迭代构建，所得图拓扑自适应演化，将模型容量集中在最有可能影响近期碰撞风险的船舶上，并为时空图学习提供了物理基础。

2.3. IST-GCN模型编码器
IST-GCN架构通过一个双编码器框架实现，旨在提取和整合船舶会遇的多维表示。所提方法架构的详细示意图如图2所示。本节阐明空间和时间编码器的结构组件，它们共同将原始运动学序列转化为可操作的风险评估。

2.3.1. 空间交互编码器
空间交互编码器旨在表征感兴趣区域内多艘船舶之间的瞬时拓扑依赖性和功能威胁。在每个离散时间步t，节点嵌入H^(l)_t通过规则集成的消息传递机制进行迭代更新。该过程旨在将原始运动学特征映射到反映海事交通场景复杂交互结构的高维潜在空间。为稳定特征传播并减轻动态演化图固有的数值不稳定性，研究人员对自环增强的邻接矩阵?A_t = A_t + I应用了对称归一化方案。所得归一化矩阵?_t = D_t^?1/2?A_tD_t^?1/2确保了节点嵌入的尺度在不同交通密度下保持一致。

该编码器的核心是其多分支（多头）空间卷积架构，促进同时提取不同的交互语义：H^(l+1)_t = σ(∑_m=1^M_h ?^(m)_t H^(l)_t W^(l,m))。（公式9）其中M_h表示并行注意力分支的数量，每个分支?^(m)_t通过不同的规则门控或威胁加权配置参数化。

与基于均匀空间衰减聚合信息的标准图卷积网络不同，这种多分支设计使网络能够自适应地优先处理来自构成更高功能威胁的船舶的信息流——这由COLREGs义务和CRI的相互作用定义。具体来说，每个分支可以被优化以关注不同的航行子情境，例如让路责任或迫在眉睫的几何冲突。通过聚合这些精炼的消息传递输出，最终的空间层生成一个全面的节点嵌入，不仅封装了即时的会遇语义，还封装了周围交通施加的局部交互约束。这种交互感知的表示为后续的时间演化建模提供了稳健的空间基础。

2.3.2. 时间演化编码器
时间演化编码器负责对多船会遇在历史观测窗口[t ? T + 1, t]内的动态进展进行建模。它基于由空间编码器生成的交互感知嵌入序列，识别潜在的风险先兆，并表征船舶机动中固有的时间依赖性。为有效捕捉非线性运动趋势和级联的机动响应，研究人员采用了门控时间卷积（TCN）架构。该机制利用因果卷积确保时间t的风险评估严格基于过去的观测，从而保留了海事交通演化的时间因果性。门控激活单元使用一维因果卷积操作化。为简洁地捕捉特征提取和噪声过滤，最终的时间表示Z_t被表述为：Z_t = tanh(W_f * H^(L_s)_t) ⊙ σ(W_g * H^(L_s)_t)。（公式10）其中*表示时间卷积运算符，W_f, W_g分别代表特征分支和门控分支的可训练权重矩阵。此处，⊙是逐元素的Hadamard积。tanh函数提取复杂的运动特征，而sigmoid函数作为时间门抑制不规则AIS报告间隔带来的噪声。

为从这些异构的时间表示中合成一个统一的场景级评估，需要一种置换不变的聚合机制。研究人员实现了一种基于注意力的池化策略，以优先考虑风险主导的船舶，有效模拟了海事操作员在复杂场景中关注最具威胁船舶的认知启发式。聚合简洁地表述为：g_att,t = ∑_i∈??t α_i,t z_i,t, α_i,t = softmax(e_i,t)。（公式11）其中α_i,t反映了船舶i在驱动集体风险中学习到的重要性，源自其潜在注意力得分e_i,t。这种分层编码过程最终以一个多层感知器（MLP）预测头和一个softmax层结束，后者输出离散风险等级（低、中、高）上的概率分布?p_t+τ。通过将规则集成的空间交互拓扑与长期时间演化相结合，IST-GCN编码器促进了既基于物理基础又计算高效的主动碰撞风险预测，适用于实时VTS应用。

2.4. IST-GCN模型解码器
场景级风险解码器的功能超越了简单的特征聚合；它充当语义桥梁，将微观的、节点级的交互状态提炼为宏观的、可操作的风险诊断。给定由时空编码器产生的异构节点嵌入z_i,t ∈ ?^D，解码器面临两个基本建模挑战：船舶集合N_t的时间可变基数（由于船舶进入或离开ROI）和规范节点排序的缺失。为应对这些约束，研究人员设计了一个置换不变的解码架构，它合成一个固定长度的场景表示，确保风险评估在交通密度波动的情况下保持结构稳健。

2.4.1. 风险聚焦的注意力聚合
传统的池化操作，如全局平均池化，常常通过均等对待所有船舶来稀释关键风险信号，有效地“平均化”了安全船舶海洋中单一危险目标构成的威胁。相反，全局最大池化可能忽略次要但重要的威胁。为克服这些限制，并模拟VTS操作员在复杂背景下选择性地关注高威胁目标的认知启发式，研究人员实现了一个参数化的、风险聚焦的注意力机制。

首先将每个船舶节点投影到一个表示其对全局风险背景贡献的潜在标量分数。这通过一个学习的对齐函数操作化：e_i,t = q^T tanh(W_az_i,t + b_a)。（公式12）其中W_a ∈ ?^D'×D 和 b_a ∈ ?^D'是可训练的投影参数，q ∈ ?^D'是一个可学习的“上下文查询向量”，它封装了高风险场景的全局模式。然后通过softmax函数对标量分数进行归一化，生成注意力分布α_i,t，确保∑_iα_i,t = 1：α_i,t = exp(e_i,t) / ∑_k∈??t exp(e_k,t)。（公式13）

最终的场景级嵌入g_att,t被合成为加权和g_att,t = ∑_i∈??t α_i,t z_i,t。该机制允许模型执行显著特征的“软选择”，有效放大涉及规则违反或几何会聚的船舶的信号，同时抑制非交互交通的噪声。

2.4.2. 概率预测与可解释性
合成的场景嵌入g_att,t（现在封装了最显著的时空风险特征）被输入到一个预测头。该组件由一个多层感知器（MLP）组成，旨在将高维图表示投影到目标类别空间。最终输出通过softmax激活层生成，产生离散风险类别（低、中、高）上的归一化概率分布：?p_t+τ = softmax(W_c · ReLU(W_pg_att,t + b_p) + b_c)。（公式14）其中W_p, b_p和W_c, b_c分别代表投影层和分类层的权重和偏置。

这种分层公式将模型的预测输出直接与海事监管的操作需求对齐，为每个风险等级提供置信度的概率度量。关键在于，学习到的注意力权重{α_i,t}为决策支持系统提供了内在的可解释性。通过将这些权重可视化为“风险显著性图”，VTS当局可以立即识别出哪些特定船舶或交互集群驱动了预测警报，从而将模型从“黑箱”转变为用于主动安全干预的透明工具。

3. 基于图学习的多船碰撞风险预测方法在复杂水域的应用：案例研究结果

3.1. 数据集与实验设置
3.1.1. 数据采集与预处理
所提出的IST-GCN框架的实证验证使用了从宁波-舟山港核心航行水域获取的大规模自动识别系统（AIS）数据集，该港口被认为是世界顶级海事枢纽之一。本研究区域包括主要航道和高密度汇聚区，特点是频繁发生异构船型之间的交叉、追越和汇聚会遇。如此复杂的交通条件使得该数据集特别适用于评估优先考虑交互拓扑和集体风险演变的多船碰撞风险检测方法。数据涵盖2023年6月至8月的连续观测期，捕捉了从非高峰到高峰拥堵的多种交通状态。为了确保建模保真度，对包含时间戳、船舶标识符、坐标、对地速度（SOG）和对地航向（COG）的原始AIS消息应用了严格的数据清洗协议，以剔除坐标缺失、时间戳重复和运动学异常值等异常。数据集和代码公开在 https://anonymous.4open.science/r/risk_detection-74D5（访问于2026年3月26日）。

3.1.2. 时空样本构建
预处理后，通过滑动窗口机制将连续的船舶轨迹构建为固定长度的时空序列。具体而言，每个样本包含一个60秒的历史观测窗口（H）作为模型输入，以及一个后续的30秒预测时间窗口（τ）用于近期未来风险标注。在每个时间窗口内，同时存在于感兴趣区域（ROI）内的所有船舶被建模为动态交互图中的节点，使IST-GCN能够从历史会遇演化中提取特征，而非仅依赖瞬时状态。数据集的统计摘要和时空样本构建如表1所示，研究区域如图3可视化。

3.1.3. 真值标注与实现
为建立监督学习的客观真值，场景级风险标签使用基于标准DCPA和TCPA指标的CRI合成。为将这些连续碰撞风险整合到离散测试数据集中，首先根据时空邻近性将原始AIS轨迹分割为交互场景。对于每个时空样本，在预测区间[t + 1, t + τ]内的每个时间戳，为所有船舶对计算CRI，形成客观航行风险的时间序列表示。然后，场景级真值由该时间窗口内所有内部交互中观察到的最大CRI值定义。因此，采用了一个三层的序数风险图式：(i) 高风险（y = 2）对应于max(CRI) ≥ 0.6的场景，表示迫在眉睫的碰撞威胁；(ii) 中风险（y = 1）表示0.4 ≤ max(CRI) < 0.6的时间段，反映需要警惕的危险情况；(iii) 低风险（y = 0）涵盖max(CRI) < 0.4的正常航行状态。这种标注策略将物理运动参数与高级监督类别联系起来。

与现实世界海事交通分布一致，数据集表现出显著的类别不平衡，约82%的样本被归类为低风险，13%为中风险，5%为高风险。为减轻对多数类的潜在偏差，在训练期间采用加权交叉熵损失函数，为少数的中、高风险样本分配更高的惩罚权重。所提出的框架使用PyTorch（版本1.13.1）深度学习库实现，并通过Adam优化器进行训练，初始学习率为0.001，批处理大小为64。所有计算实验均在配备NVIDIA RTX 4090 GPU和64 GB系统内存的高性能工作站上执行。

3.2. 定性分析：多船会遇中的风险演化
为实证验证IST-GCN框架的可解释性和主动预测能力，研究人员从测试数据集中提取了代表性的多船会遇场景进行定性分析。与依赖于瞬时快照和刚性阈值的传统几何方法（如DCPA/TCPA）不同，所提模型利用历史时空依赖关系和规则集成拓扑，在未来的预测窗口τ内感知新兴的风险趋势。本节分析了模型在两种不同但关键的会遇类型中的表现：复杂交叉和级联汇聚情况。

3.2.1. 场景I：规则约束交叉中的主动预警
研究人员首先分析了一个四船交叉场景，以展示模型对航行规则的敏感性。如图4a中的轨迹图所示，该交互场景涉及四艘船舶（船舶A-D）具有交叉路径。最初，交互图表现出较弱的拓扑耦合。然而，随着船舶会聚，规则集成的邻接矩阵动态调整边权重，逐渐将模型的注意力转移到具有明确COLREGs冲突的船舶对上。

该风险评估的定量演进在表2中有详细说明。在较早的时间戳，最小DCPA和TCPA值仍处于名义安全范围内时，IST-GCN成功识别出了潜在的风险积累。这种主动预测能力在图4b中生动地体现出来，其中IST-GCN风险曲线（实橙线）比传统CRI曲线（虚黑线）更早且更显著地达到峰值。这证实了时空编码器有效地内化了机动意图，使其能够在关键几何邻近性显现之前检测到危险状态。

3.2.2. 场景II：汇聚交通中级联效应的捕捉
研究人员通过图5a所示的涉及三艘船舶（船舶E, F, G）的多船汇聚场景，进一步检验了模型的鲁棒性。该场景的特点是受限的可航行空间和相互依赖的机动。在这种情况下，当一艘主要船舶为避免近距离情况而发起航向变更时，IST-GCN捕捉到了由此对邻近船舶施加的级联效应。通过在动态加权图上进行消息传递的机制，风险依赖关系在网络中传播，使模型能够识别协同的机动约束。

如图5b所示的风险水平预测曲线中，所提框架的优越性显而易见。IST-GCN风险分数迅速上升，显著早于传统CRI指标跨越高风险阈值（0.6）。具体而言，所提模型比基线方法提前约12秒识别出高风险（y = 2）状态。这一额外的提前时间在操作上具有重要意义，为海事当局和VTS操作员提供了更宽的反应窗口，以启动监控或交通组织措施。

3.2.3. 场景III：对险情事件的验证
为直接验证所提出的IST-GCN是否仅仅近似于瞬时几何指标还是具有独立的预测能力，研究人员从测试数据集中提取了一个真实的险情会遇进行定量分析。该场景涉及一个关键的交叉情况，在最后一刻采取了规避动作，物理上代表了一个高风险的险情事件。具体而言，根据[47]中的险情定义，研究人员在研究期间识别出了这次会遇，涉及一艘150米的散货船和一艘200米的集装箱船在一个狭窄的交叉点以约75°的相对方位会聚。两艘船舶在让路船执行突然右转以避免碰撞前均保持超过12节的速度。

如表3所示，传统几何指标（DCPA和TCPA）本质上是反应性的。随着会遇向险情点（T_nm）推进，传统CRI仅在T_nm ? 20秒时才跨越关键的高风险阈值（> 0.6），显著滞后于事态发展。相比之下，通过利用历史机动序列和规则集成的拓扑交互，IST-GCN模型更早地预测到了潜在的碰撞威胁。预测风险分数在T_nm ? 60秒时过渡到高风险状态，与传统几何指标相比，提供了额外的40秒预警提前时间。这一经验证据证实，IST-GCN能够主动预测碰撞风险动态，而不仅仅是拟合现有几何指标的数学公式。

3.3. 所提方法的鲁棒性
为验证所提方法的鲁棒性，使用从日照港收集的AIS数据集进行了额外的验证实验。与主要研究区域相比，日照港具有不同的航道拓扑结构和交通构成，特别是具有更高密度的深吃水散货船和不同的交叉几何形状。该新环境中的复杂交通轨迹和相应轨迹热图如图6所示。预训练模型直接在日照港测试集上评估其泛化能力。如表4所示，所提出的IST-GCN在替代水域中保持了稳健的预测性能。其准确率达到90.8%，F1分数为0.895。尽管与在宁波-舟山港的性能（准确率92.4%）相比有轻微且预期的衰减，但IST-GCN仍然显著优于基线标准ST-GCN，后者经历了更严重的性能下降（F1分数降至0.812）。关键的是，IST-GCN在新环境中成功地将FAR控制在9.2%。这证明规则集成的图构建机制成功提取了具有普遍适用性的基本航行逻辑——如COLREGs义务和相对运动趋势——从而证实了该框架强大的泛化能力和更广泛实际工程应用的潜力。

3.4. 定量分析：比较基准测试
为严格量化所提出的IST-GCN框架的预测效能，针对一系列代表性基线模型执行了全面的基准测试，范围从传统几何启发式到最先进的深度学习架构。评估在宁波-舟山港测试集上进行，采用60秒历史观测窗口预测后续30秒时间窗口内的场景级风险类别。比较基线包括：(i) 几何启发式：基于阈值的方法，依赖于瞬时DCPA/TCPA；(ii) 序列模型：RNN和LSTM，捕捉时间依赖性但忽略空间交互；(iii) 时空基线：TCN和标准ST-GCN，建模联合动力学但缺乏规则集成的语义引导。

3.4.1. 模型性能评估
三层风险分类任务的定量性能指标系统总结于表5。所提出的IST-GCN在所有评估指标上表现出卓越性能，达到92.4%的峰值准确率和0.911的F1分数。这代表了对传统几何方法（F1 = 0.669）的显著改进，后者由于无法考虑机动趋势和基于规则的优先级，在密集交通中表现不佳。

此外，IST-GCN显著优于基于序列的模型（RNN/LSTM）和通用的ST-GCN。虽然标准ST-GCN（F1 = 0.837）通过引入空间拓扑改进了孤立序列建模，但它受限于其依赖欧几里得距离进行图构建。这通常导致聚合来自空间邻近但航行上无关的船舶的噪声。相比之下，通过集成规则邻接矩阵，IST-GCN有效地抑制了这些非威胁性交互，使模型能够将其容量集中在真正危险的会遇上。

3.4.2. 安全关键场景中的性能
在海事监管背景下，将高风险情况误分类（假阴性）的代价远高于误报。因此，研究人员特别分析了模型对中风险（y = 1）和高风险（y = 2）类别的敏感性。如归一化混淆矩阵（图7）所示，所提出的IST-GCN为高风险事件实现了90.8%的召回率（在矩阵中显示为0.91）。强对角线主导性，特别是在高风险类别中，确保系统为潜在的灾难性碰撞提供可靠的早期预警，这是基于信任的VTS决策支持的关键能力。

相比之下，虽然基于序列的基线通常难以区分发展中的威胁与正常交通，但IST-GCN展示了优越的判别能力。具体而言，将中风险场景误分类为低风险的比例被抑制到仅5%（0.05），最大限度地减少了忽视危险情况的风险。这种性能增益可直接归因于规则感知的拓扑，它保留了微弱但关键的风险信号，否则这些信号可能会被占主导地位的低风险交通模式所淹没。

3.5. 消融研究
为隔离并量化IST-GCN框架内核心模块的具体贡献，通过系统性地拆解规则集成的邻接建模和CRI引导的交互加权机制，进行了一项严格的消融研究。完整的IST-GCN模型与三个不同的变体进行了基准测试，以评估它们各自对风险预测准确性和警报可靠性的影响：一个仅基于欧几里得距离阈值构建交互图的Base-GCN；一个包含基于风险的加权但缺乏COLREGs启发式会遇调制的CRI-GCN；以及一个编码静态航行义务但排除时变风险幅度的Rule-GCN。

比较结果系统总结于表6，表明完整的IST-GCN架构在所有评估指标上始终优于所有消融变体。最值得注意的是，与仅基于距离的Base-GCN相比，完整模型在准确率上提高了6.8%，并将F1分数从0.837提升至0.911。这一显著差异证实，领域知识的集成将图从简单的空间描述符转变为功能性的风险编码器。

从误报率（FAR）分析中可以进一步获得关键见解。移除规则感知机制（如CRI-GCN变体所示）导致FAR显著恶化，从8.5%上升到11.2%。这一经验证据强调，仅基于几何接近度的风险线索不足以区分良性的通过机动和真正的碰撞威胁。此外，虽然Rule-GCN变体与基线相比降低了误报，但其较低的召回率表明静态规则掩模未能捕捉到演化会遇的时间紧迫性。CRI引导的加权弥合了这一差距，使模型能够敏锐地关注迫在眉睫的威胁，从而保持90.8%的高召回率。

这些性能增益的底层机制在图8中得到了视觉验证，该图映射了在邻近船舶上分布的学习到的注意力权重。如图8a所示，Base-GCN表现出“注意力扩散”现象，不加区分地为所有邻近船舶分配高权重，包括处于非威胁扇区的船舶（如船尾跟随的船舶）。这种过滤航行无关噪声的无能直接导致了其较高的误报率。形成鲜明对比的是，图8b展示了IST-GCN的语义选择性，模型战略性地将其注意力容量集中在位于关键“让路”扇区（绿色高亮）的船舶上。通过结构性地抑制那些尽管空间邻近但不构成功能威胁的船舶的权重，模型实现了与海事操作逻辑的认知对齐。这种可解释性不仅解释了优越的统计性能，还验证了模型已学习到物理意义的交互模式，而非虚假相关性。

4. 讨论
第3节呈现的实证结果证实，所提出的改进时空图卷积网络（IST-GCN）构成了一个稳健且基于物理基础的海事碰撞风险评估框架。除了在准确率和召回率方面的定量性能提升外，这些发现对智能海事监管和未来船舶交通服务（VTS）的运行具有重要意义。本节批判性地讨论了所提方法的方法论优势，特别是在从反应式检测向主动预测范式转变中的作用，同时指出了当前的局限性和未来的研究方向。

4.1. 通过规则集成拓扑实现主动预测
本研究的一个关键贡献是方法论上超越了基于几何的反应式风险检测，转向了主动、规则集成的风险预测。传统的碰撞避免系统主要依赖于DCPA/TCPA指标的瞬时快照，这些指标本质上是反应性的——仅在安全域已被违反或危险会遇已在几何上不可避免时才触发警报。此类方法常常未能考虑商船巨大的惯性和延迟的水动力响应，留下不足以有效干预的时间。相比之下，IST-GCN利用60秒历史观测窗口，预测后续30秒时间窗口内的风险类别。这种前瞻能力有效地内化了船舶机动性的时间趋势，使VTS操作员能够在潜在危险状态显现为关键空间冲突之前识别它们。

然而，这种主动预测的可靠性根本上取决于底层交互图的质量。传统的基于邻近性的图模型倾向于对所有空间相邻船舶分配均匀注意力，导致不加区分地聚合来自航行良性邻居（例如，平行航行）的噪声。所提出的IST-GCN通过将规则集成的语义过滤器直接嵌入到拓扑构建中来解决这个问题。通过综合COLREGs义务和CRI，模型选择性地放大运动学会聚或规则违反的交互，同时抑制操作安全的交互。此外，在实际的VTS部署中，IST-GCN框架在策略上进行了优化，以平衡真阳性和假阳性。它通过加权损失函数最大化真阳性以确保海事安全，同时通过规则集成的图抑制假阳性以防止操作员警报疲劳。此外，在日照港进行的额外泛化实验证实，这种最佳的假阳性/真阳性平衡在不同的航道拓扑结构中具有高度的鲁棒性，没有过拟合。

这种时间预测和基于规则的空间过滤的协同整合产生了双重优势：它实现了对真实威胁的高灵敏度（90.8%的召回率），同时显著减轻了密集交通监测中固有的误报问题（8.5%的FAR）。因此，该框架不仅为及时决策提供了预警缓冲区，还确保了与海事操作逻辑的结构一致性，促进了人类操作员的信任，他们需要能够按照既定航行规则进行思考的自动化工具。此外，IST-GCN在VTS中心的实用部署得到了其实时计算效率的有力支持。正如实证测试所示，该模型每个场景的平均推理时间为149.5毫秒。考虑到标准AIS数据更新间隔通常在2到10秒之间，这种快速的处理能力确保了无缝的、零延迟的风险监测。在操作背景下，这种计算上的轻量级允许该框架作为后端模块高效集成到现有的船舶交通管理信息系统（VTMIS）中。它确保模型生成的主动风险警报能够与实时交通馈送同步传递给VTS操作员，而不会给港口当局带来过高的硬件负担。

4.2. 局限性与未来研究方向
尽管IST-GCN框架在主动风险预测方面表现出显著效能，但仍有一些内在局限性需要客观承认，以指导后续的研究工作。主要的约束源于模型对单模态自动识别系统（AIS）数据流的依赖。虽然AIS提供了基本的运动学基线，但它仍然容易受到信号丢包、多径干扰和故意欺骗的影响，特别是在拥堵水域或卫星拒止环境中。在涉及非合作目标（应答器禁用或故障）的场景中，交互图的结构完整性受损，导致拓扑破碎和潜在的风险低估。为缓解这一脆弱性，框架的未来迭代必须转向多模态传感器融合策略。整合异构数据源——具体而言是用于非合作目标跟踪的岸基海事雷达和用于近场语义验证的CCTV视频馈送——将显著增强系统对单源数据退化的鲁棒性。

此外，该框架对自主导航的适用性目前有限。首先，其对COLREGs的表示是简化的，依赖于基本的会遇分类而非复杂的机动行为。其次，它专注于风险预测，而不生成可操作的碰撞避免或路径规划策略。未来的工作将通过集成细粒度的规则表示并将模型与用于闭环自主控制的决策模块耦合来解决这个问题。最后，虽然当前的IST-GCN框架专注于港口区域的局部、短期风险预测，而非整个航线，但频繁的局部规避机动可能会引发累积的航行延误。因此，未来的研究可以将这些微观风险评估与宏观调度系统相结合，以优化预计到达时间（ETA）和请求到达时间（RTA）策略，从而提高整体港口物流效率。

5. 结论
为了实现对新兴危险状态的主动识别并提供充足的预警提前时间，本研究尝试提出一种改进的时空图卷积网络（IST-GCN）框架，用于复杂海事环境中船舶碰撞风险的短期预测。通过将海事领域知识（即CRI和COLREGs）明确集成到时空图学习框架中，所提方法旨在弥合个体轨迹分析与系统级交互拓扑之间的差距。

利用宁波-舟山港核心水域的AIS数据，本研究创建了一个案例研究以验证所提方法的有效性。结果表明，所提出的IST-GCN在三层风险分类任务中达到了92.4%的峰值准确率和0.911的F1分数。与代表性的深度学习基线（例如标准ST-GCN）相比，该方法可带来约7.5个百分点的改进。这表明所提出的IST-GCN框架能够持续优于传统几何指标和通用深度学习模型。

本研究的发现揭示，集成规则感知的动态邻接加权可以大幅减少复杂会遇场景中的不必要警报。具体而言，误报率（FAR）降低至8.5%，而基于邻近性的模型往往过于保守。这表明所提方法可以为密集交通水域中的船舶碰撞风险提供更可靠和准确的评估。此外，结果表明每个场景的平均推理时间为149.5毫秒，处理吞吐量为每秒214帧。这表明该框架非常适合在操作性海事监管系统（如船舶交通服务（VTS））中进行实时部署。

尽管如此，预测性能目前依赖于单源AIS数据的质量。因此，未来的工作将侧重于整合多源传感数据（例如雷达）以提高鲁棒性。此外，将所提方法与海上自主水面船舶（MASS）的碰撞避免决策功能相结合，将是未来研究的一个有趣方向。